电容层析成像(Electrical Capacitance Tomography,ECT)是用来研究场域内具有不同介电常数的物质分布情况的一种过程成像技术,ECT系统的传感器具有结构简单、费用低廉、反应迅速、非入侵性等优点,经过多年来诸多专家学者的研究已经取得了很大的技术突破,但由于存在软场特性的问题,并且这一问题很难避免与完全解决,从而极大的影响了ECT图像重建系统的成像效果,为改善在此技术上存在的问题,因此对ECT图像重建算法技术进行更加深入的研究具有重要意义。针对上述问题,本文在阅读大量国内外相关文献的基础上,与ECT系统相结合,对ECT系统传感器结构参数进行优化研究以改善其灵敏度场非线性,并在ECT图像重建的理论基础上,结合生成对抗网络思想,提出了新的图像重建算法,本文主要完成了下述几个任务:1.首先介绍ECT技术的研究背景及意义和ECT系统的国内外发展现状,针对现如今广泛流传的几种传统图像重建算法,对其分类且进行理论分析,并比较其优缺点。然后介绍了ECT系统的结构与原理。2.在对ECT系统工作原理进行研究的基础上,利用电磁学麦克斯韦方程推导电容检测的数学模型,进而求解出检测电容值;最后利用COMSOL5.4建立8极板电容传感器三维模型并进行仿真研究。3.针对ECT系统中灵敏度场的非线性问题,提出一种基于二次逼近边界优化(BOBYQA)算法来改善灵敏度场非线性问题的方法;BOBYQA算法是针对复杂目标函数问题所提出的一种无须计算目标函数导数的优化算法。首先根据ECT系统灵敏度场的特点,建立灵敏度场的优化目标函数,然后利用BOBYQA算法对传感器结构参数进行优化,最后进行了仿真实验,仿真实验结果表明优化后ECT系统的灵敏度场各项指标均得到提高,灵敏度场的非线性问题得到了明显改善。4.针对ECT图像重建算法成像结果精度不高的问题,提出一种基于生成对抗神经网络的ECT图像重建算法。生成对抗网络(Generative Adversarial Networks,GAN)是一种深度学习模型,该模型通过框架中生成模型和判别模型的互相博弈学习产生相当好的输出。该算法首先利用Landweber算法得到一组重建图像,并把此重建图像和真实图像形成训练数据集;然后以此数据集对生成对抗网络进行训练;最后把测试图像输入到此网络中,从而得到重建图像。5.最后进行了仿真实验,通过仿真实验结果可以看出,本文算法的重建结果相比传统算法,图像误差更小、相关系数更大,这表明其图像重建结果精度更高,这也证明了基于生成对抗神经网络对ECT系统图像重建的有效性,同时也为将来ECT图像重建算法的改进提出了一种新的途径。